face detection[HR]-白红宇

face detection[HR]

阅读量：5026 次

发布时间：2019-06-12

本文共 3464 字，大约阅读时间需要 11 分钟。

该模型hybrid-resolution model (HR)，来自《finding tiny faces》，时间线为2016年12月

0 引言

虽然大家在目标识别上有了较好的进步，可是检测小物体仍然是一个极具挑战的事情。对于几乎所有当前的识别和目标检测系统而言，尺度不变性是一个必须的特性。但是从实际角度来说，尺度不变性也只是一定程度的不变性，因为对于一个3像素的和300像素的缩放来说，的确相差太大了。

而现在大多数的目标检测任务使用的无外乎2种形式来解决尺度不变性问题：

基于一个图像金字塔进行窗口滑动的方式，如MTCNN；

基于ROI-pooling方式进行区域分类，如fast-rcnn。

其实，我们主要是希望有一个小模板能够检测小模型，大模板能够检测大模型，那么这时候就涉及到需要针对不同尺度训练不同的检测器，而且在预测的时候也得处理多次，并且也缺少对应的数据集。所以作者这里为了权衡之间的问题，通过训练一个CNN，并基于不同的网络层提取对应的feature map（就和ssd一样）。不过这样虽然对大目标有较好效果，对于小的人脸，还需要其他考虑。

如上图所示，这是一个简单的人类实验，其中用户需要试图基于模型给出的结果基础上，区分真人脸（真阳性）和假人脸（假阳性）。从这个实验中可以看出，人类需要上下文信息去准确的判别小脸。

如图所示：

图像金字塔方法：如(a)，传统的方法是建立一个单尺度模板，将其用在图像金字塔上面；

不同尺度采用不同检测器：如（b），而如果想要利用到不同分辨率上的信息，那么需要基于不同的对象尺度构建不同的检测器（如在一张图片上，检测小脸的一个检测器，检测大脸的一个检测器），而这样的方法在极端对象尺度上还是会失败，因为可能这个尺度的根本没出现过在训练集中；

本文方法：如（c）作者先用粗略的图像金字塔去抓取极端的尺度变化。然后为了提升关于小脸的检测，增加了额外的上下文信息，即通过一个固定大小的感受野在所有特定尺度上进行抓取，如（d）。然后如（e），基于同一个深度模型，在网络不同层上提取的特征来定义模板。

ps：在一个网络模型中，采用同样大小的划框在多个feature map上进行局部采样，这样形成的特征叫“超级列（hypercolumns）”，被用在语义分割中《Hypercolumns for object segmentation and fine-grained localization》。

1 尺度分析（上下文、分辨率等信息利用）

要说到尺度不变性，还得追述到SIFT模型，不过随着fast-rcnn等提出的ROI pooing等深度网络的兴起，还有近来基于不同网络层提取多种尺度信息的SSD（其实就是将图像金字塔转换成特征层金字塔）。作者也有了一些想法和灵感。

作者这里基于ResNet-50作为基底模型，并提取每个残差快最后一层的feature map作为特征，即(res2cx,res3dx,res4fx,res5cx)，这里简写成(res2,res3,res4,res5)。通过对不同层进行超级列（中央凹）等操作，并基于提取的特征做二值热力图预测（即结果也是一个map，其中每个值表示以其为中心的人脸出现的置信度）

1.1 上下文信息

固定大小的划框在多层map下的变化

首先设计了一个实验，首先设计一个固定大小的划窗，然后不断的增加层上的区域，从而达到增加感受野的目的：

如图所示，划窗大小都为25×20，在不同feature map上面，得到的感受野却是不同的，比如res4上可以得到291x291的感受野。可以看出，基于多层通道获取的特征可以提供丰富的上下文信息，从而有助于人脸的检测。在小脸检测上，最开始就能提供较为准确的检测，并随着感受野的增大和信息的增多，准确度也在增大（最后有所下降，估计是最开始最小的划框刚好框住人脸，然后随着感受野增大，输入了太多噪音导致过拟合了）；而对于大人脸，只有不断上升的效果（是因为随着感受野的增大，当前小划框终于能够看到完整的人脸了，最初只能看到鼻子而已）。

这里仍是基于固定大小的划框，然后是否采用中央凹（多层通道）的结果，可以看出如果采用了中央凹，那么就可以提供更多信息，从而检测效果上升；如果没有采用，只是考虑感受野的增大，发现对大人脸效果是有上升，不过对小人脸却有过拟合的风险。

总结：通过感受野的增大，且保证划框刚好框住对象，此时得到的效果最好，然而固定划框如果框多了，或者少了，会造成过拟合或者欠拟合。如果此时增加多通道的特征，可以起到正则效果，并降低框住太多背景噪音而造成的过拟合，这样就解决了划框大小选择的问题，从而不需要不同尺度目标都去设计不同的检测模型了

1.2 模板分辨率

作者还做了实验，如何让模板去对应不同尺度的目标，

如图所示：

他假设采用了一个中等尺寸的模板（50x40），然后去找小的人脸（25x20），如果进行放大两倍，那么结果就从原来的69%上升到75%；

反过来，如果当前中等尺寸模板大小为125x100，去找大的人脸（250x200），将这张图片缩小两倍，结果也从原来的89%上升到94%。

可以看出，如果如果模板的大小和人脸大小基本一致，那么就能提升检测结果。

作者猜测，这主要就是基于不同的尺度目标下，训练数据不充分的缘故。

如图，比如在wider face 和coco数据集中，小人脸的量大于大人脸的量。不平衡的数据导致采用中等模板检测大人脸要比检测小人脸容易（因为相对在训练阶段有更多中等人脸），虽然这并没有解释小人脸问题。

接着从预训练数据集Imagenet上进行分析

如图所示，80%的训练样本都包含中等尺寸的目标（从40到140像素之间）。

此时作者也假设，如果用基于Imagenet预训练的模型在自己的数据上微调，最好的部分也就是这部分

2 结构

那么现在问题来了，如何实现多个目标尺度上采用不同的模板呢?

如图7所示，假设我们定义模板为\(t(h,w,\sigma)\)；并假设是用来检测分辨率为\(\sigma\)的目标尺度为\((h/\sigma,w/\sigma)\),比如图7中，用\(t(250,200,1)\)和\((t(125,100,0.5))\)可以同时去检测\(250 \times 200\)的人脸。

那么问题又来了，怎么设定模板大小？

假设我们的训练集有图像和对应的边界框，那么先采用聚类的方式去获取其中的对象尺度，这里采用的距离测度是：
\[d(s_i,s_j)=1-J(s_i,s_j)\]
这里\(s_i=(h_i,w_i)\)和\(s_j=(h_j,w_j)\)是一对边界框，\(J\)表示标准的jaccrad相似度（IOU）。

现在，对于每个对象尺度\(s_i=(h_i,w_i)\)，我们想知道\(\sigma_i\)设多大合适呢？

通过多任务模型方法，直接将每个\(\sigma \in \Sigma\)一起做目标函数；并对每个对象尺度提取最大的，如图8所示

如图8所示，对于每个\((h_i,w_i)\)的最优\(\sigma_i\)，我们用一个多任务模型去训练一个混合分辨率（HR）,在实测中也符合所以曲线的上限。有趣的是，的确存在不同策略下的自然惩罚：

为了找到大目标（高度超过140像素），使用2X进行缩小；

为了找到小目标（小于40像素），使用2X进行放大；

否则就是用1X的分辨率。
我们的结果也证明了之前关于Imagenet统计的猜测。

剪枝

上面提到的(hybrid-resolution,HR)中还是有一些冗余的。例如：模板(62,50,2)可以用来寻找31x25的人脸，可是他同时也和寻找64x50的人脸的模板(64,50,1)相冲突了。如图9，冗余删除之后，甚至有点小提升。本质来说，我们的模型可以进一步减少到只包含几个具体尺度模板的集合，并在一个粗粒度的图像金字塔上做计算。